CN113222414B - 模型稳定性的评估方法、装置、电子设备和存储介质 - Google Patents

Abstract

本公开提供了模型稳定性的评估方法、装置、电子设备和存储介质，涉及人工智能技术领域，尤其涉及深度学习技术领域。具体实现方案为：获取风险控制模型对应的目标金融风险行为特征；获取相邻两个第一时间粒度上目标金融风险行为特征分别对应的特征数据；根据特征数据计算目标金融风险行为特征的稳定度指标；以及根据目标金融风险行为特征的稳定度指标生成风险控制模型对应的第一稳定性评估结果。

Description

模型稳定性的评估方法、装置、电子设备和存储介质

技术领域

本公开涉及人工智能领域，进一步涉及深度学习技术领域，尤其涉及一种模型稳定性的评估方法、装置、电子设备和存储介质。

背景技术

随着互联网技术的发展，风险控制(简称风控)成为互联网产业下不可或缺的一部分。目前，风控场景主要通过风险控制模型进行风险控制。金融风控场景作为使用最广泛的风控场景之一，对模型稳定性有较强的要求。

相关技术中，对模型稳定性的评估通常是单个场景分析，每个场景对应的评估体系不同，针对多个场景下多个模型进行稳定性评估时，需要耗费大量的人力且评估效果不可控。

发明内容

提供了一种模型稳定性的评估方法、装置、电子设备和存储介质。

根据第一方面，提供了一种模型稳定性的评估方法，包括：获取风险控制模型对应的目标金融风险行为特征；获取相邻两个第一时间粒度上所述目标金融风险行为特征对应的两个特征值；根据所述两个特征值计算所述目标金融风险行为特征的稳定度指标；以及根据所述目标金融风险行为特征的稳定度指标生成所述风险控制模型对应的第一稳定性评估结果。

根据第二方面，提供了一种模型稳定性的评估装置，包括：第一获取模块，用于获取风险控制模型对应的目标金融风险行为特征；第二获取模块，用于获取相邻两个第一时间粒度上所述目标金融风险行为特征对应的两个特征值；第一计算模块，用于根据所述两个特征值计算所述目标金融风险行为特征的稳定度指标；以及第一生成模块，用于根据所述目标金融风险行为特征的稳定度指标生成所述风险控制模型对应的第一稳定性评估结果。

根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开第一方面所述的模型稳定性的评估方法。

根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据本公开第一方面所述的模型稳定性的评估方法。

根据第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据本公开第一方面所述模型稳定性的评估方法的步骤。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的模型稳定性的评估方法的流程示意图；

图2是根据本公开第二实施例的模型稳定性的评估方法的流程示意图；

图3是本公开实施例的第二时间粒度上样本数据切片示意图；

图4是根据本公开第三实施例的模型稳定性的评估方法的流程示意图；

图5是根据本公开第四实施例的模型稳定性的评估方法的流程示意图；

图6是根据本公开第五实施例的模型稳定性的评估方法的流程示意图；

图7是根据本公开第六实施例的模型稳定性的评估方法的流程示意图；

图8为本公开实施例的模型稳定性的评估方法的逻辑示意图；

图9本公开实施例的模型稳定性的评估方法中离线稳定性评估的流程示意图；

图10本公开实施例的模型稳定性的评估方法中在线稳定性评估的流程示意图；

图11是根据本公开第一实施例的模型稳定性的评估装置的框图；

图12是根据本公开第二实施例的模型稳定性的评估装置的框图；

图13是用来实现本公开实施例的模型稳定性的评估方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

人工智能(Artificial Intelligence，简称AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。目前，AI技术具有自动化程度高、精确度高、成本低的优点，得到了广泛的应用。

深度学习(Deep Learning，简称DL)，是机器学习(Machine Learning，简称ML)领域中一个新的研究方向，学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。就具体研究内容而言，主要包括基于卷积运算的神经网络系统，即卷积神经网络；基于多层神经元的自编码神经网络；以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络。深度学习在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。

下面结合附图描述本公开实施例的模型稳定性的评估方法、装置、电子设备和存储介质。

图1是根据本公开第一实施例的模型稳定性的评估方法的流程示意图。

如图1所示，本公开实施例的模型稳定性的评估方法具体可包括以下步骤：

S101，获取风险控制模型对应的目标金融风险行为特征。

具体的，本公开实施例的模型稳定性的评估方法的执行主体可为本公开实施例提供的模型稳定性的评估装置，该模型稳定性的评估装置可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选的，执行主体可包括工作站、服务器，计算机、用户终端及其他设备。其中，用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。

在本公开实施例中，目标金融风险行为特征可以是通过离线稳定性评估获得的相对稳定的金融风险行为特征。本领域技术人员可以理解，金融风险行为特征可以为金融活动场景中表征金融行为的特征，例如收入、支出或余额等。其中，目标金融风险行为特征的数量可以为一个或多个，本公开实施例对此不做过多限定。具体实施中，利用本公开实施例的模型稳定性的评估方法进行风险控制模型的稳定性评估时，需要获取该风险控制模型对应的目标金融风险行为特征，通过对目标金融风险行为特征的稳定性分析得到模型稳定性的评估结果。

S102，获取相邻两个第一时间粒度上目标金融风险行为特征对应的两个特征值。

具体的，时间粒度(Time Granularity)是时态信息系统中描述时间数据的最小单位，表示时间点之间离散化程度。根据需要时间粒度可以设定为不同的级别，例如天、周或月等。本实施例的第一时间粒度可以选择以天为单位。

本公开实施例中，获取相邻两个第一时间粒度上步骤S101获得的目标金融风险行为特征对应的两个特征值。具体可为，对于每个目标金融风险行为特征，从风险控制平台数据库中获取相邻两天的该目标金融风险行为特征对应的两个特征值，特征值即目标金融风险行为特征对应的具体数值。例如，当前日期为2020年7月1日，目标金融风险行为特征为收入。则本步骤获取的相邻两个第一时间粒度上目标金融风险行为特征对应的两个特征值为2020年7月1日收入项对应的特征值以及2020年6月30日收入项对应的特征值。

S103，根据两个特征值计算目标金融风险行为特征的稳定度指标。

具体的，根据步骤S102获得的相邻两个第一时间粒度上目标金融风险行为特征对应的两个特征值，计算上述目标金融风险行为特征的稳定度指标，例如群体稳定性指标(Population Stability Index，简称PSI)，PSI的具体计算过程此处不再赘述。

S104，根据目标金融风险行为特征的稳定度指标生成风险控制模型对应的第一稳定性评估结果。

具体的，根据步骤S103获得的目标金融风险行为特征的稳定度指标生成风险控制模型对应的第一稳定性评估结果。其中，在本公开实施例中，根据稳定度指标PSI是否处于设定阈值范围内的判断结果，生成风险控制模型对应的第一稳定性评估结果。其中，若超出阈值范围，则表示该风险控制模型的稳定性不高。例如，设定阈值为0.1，若PSI>0.1，则表示该风险控制模型的稳定性不高，第一稳定性评估结果可表示为目标金融风险行为特征的稳定度评估未通过。若PSI≤0.1，则表示该风险控制模型的稳定性较高，第一稳定性评估结果可表示为目标金融风险行为特征的稳定度评估通过。具体实施中，为方便对风险控制模型的及时维护，在评估出风险控制模型的稳定性异常时，可通过发送报警信号做出警示。其中，报警信号可以通过邮件、短信、蜂鸣器报警等形式发送。例如，可在第一稳定性评估结果显示目标金融风险行为特征的稳定度指标满足第一条件的情况下，输出第一报警信号。其中，第一条件可以设置为PSI>0.1。

本公开实施例基于离线评估通过的风险控制模型，对离线评估通过的目标金融风险行为特征进行在线特征PSI时序分析，以实现目标金融风险行为特征的稳定度评估。

综上，本公开实施例的模型稳定性的评估方法，获取风险控制模型对应的目标金融风险行为特征，获取相邻两个第一时间粒度上目标金融风险行为特征对应的两个特征值，根据两个特征值计算目标金融风险行为特征的稳定度指标，根据目标金融风险行为特征的稳定度指标生成风险控制模型对应的第一稳定性评估结果。本公开实施例建立了一套统一的模型稳定性评估体系，即针对任一风险控制模型，通过获取相邻两个时间粒度上该风险控制模型对应的目标金融风险行为特征的两个特征值，并根据上述两个特征值计算上述目标行为特征的稳定度指标，根据稳定度指标生成上述风险控制模型对应的第一稳定性评估结果，以此对风险控制模型进行稳定性评估。可根据评估结果对模型的参数进行优化，使得评估效果可控，且由于评估体系统一，因此可以适用于多个风控场景下多个风险控制模型的稳定性评估，实现了模型稳定性评估的自动化、批量化，节省了人力。

图2是根据本公开第二实施例的模型稳定性的评估方法的流程示意图。

如图2所示，在图1所示实施例的基础上，本公开实施例的模型稳定性的评估方法具体可包括以下步骤：

S201，获取入模金融风险行为特征。

具体的，入模金融风险行为特征为风险控制模型的全部金融风险行为特征中重要性较高的特征经过离线金融风险行为特征的稳定度指标评估，筛选出的较为稳定的金融风险行为特征。基于上述入模风险行为特征对应的训练样本数据对风险控制模型进行训练，增强了风险控制模型的训练效果。

S202，基于多个第二时间粒度上入模金融风险行为特征对应的多个特征值进行模型训练，得到候选风险控制模型，其中，第二时间粒度大于第一时间粒度。

具体的，根据需要第二时间粒度可以设定为天、周或月等，第二时间粒度可大于第一时间粒度，例如第一时间粒度选择以天为单位，则第二时间粒度可以选择以月为单位，如图3所示，当前日期为2020年12月1日，则以当前日期为起点，向前回溯6个月即六个第二时间粒度的数据切片，每个入模金融风险行为特征对应7个第二时间粒度(2020年12月1日、2020年11月1日、2020年10月1日、2020年9月1日、2020年8月1日、2020年7月1日和2020年6月1日)上的7个特征值。将训练样本数据按照第二时间粒度划分，根据步骤S201获得的入模金融风险行为特征，获取训练样本数据中多个第二时间粒度上入模金融风险行为特征对应的多个特征值进行模型训练，得到较为稳定的候选风险控制模型。其中，模型训练包括但不限于对入模金融风险行为特征的训练和风险控制模型参数的调整。其中，上述风险控制模型包括但不限于极端梯度提升(eXtreme Gradient Boosting，简称XGBoost)模型和逻辑回归(Logistic Regression，简称LR)模型等。

S203，获取相邻两个第二时间粒度上候选风险控制模型输出的两个第二风险指数。

具体的，将相邻两个第二时间粒度上的训练样本数据分别输入候选风险控制模型，从而获取相邻两个第二时间粒度上候选风险控制模型分别输出的两个第二风险指数。其中，第二风险指数即候选风险控制模型输出的模型分。

S204，根据两个第二风险指数计算候选风险控制模型的稳定度指标。

具体的，根据步骤S203获取的两个第二风险指数计算候选风险控制模型的稳定度指标PSI，PSI具体计算过程此处不再赘述。

S205，根据候选风险控制模型的稳定度指标更新入模金融风险行为特征或重新训练候选风险控制模型。

具体的，若步骤S204获得的任一稳定度指标PSI≥0.1，则判断入模金融风险行为特征的数量是否超过数量阈值，若超过则重新筛选入模金融风险行为特征，若未超过，则重新训练候选风险控制模型。若步骤S204获得的任一稳定度指标PSI＜0.1，则候选风险控制模型不需要调整。

S206，将更新结束时或重新训练结束时得到的入模金融风险行为特征确定为目标金融风险行为特征，并将更新结束时或重新训练结束时得到的候选风险控制模型确定为风险控制模型。

具体的，将步骤S205中更新结束时或重新训练结束时得到的入模金融风险行为特征确定为目标金融风险行为特征，并将步骤S205中更新结束时或重新训练结束时得到的候选风险控制模型确定为风险控制模型。

本实施例基于入模金融风险行为特征进行模型再训练，并基于模型输出的风险指数进行离线风险指数PSI时序分析，得到目标金融风险行为特征和风险控制模型。

S207，获取风险控制模型对应的目标金融风险行为特征。

S208，获取相邻两个第一时间粒度上目标金融风险行为特征对应的两个特征值。

S209，根据两个特征值计算目标金融风险行为特征的稳定度指标。

S210，根据目标金融风险行为特征的稳定度指标生成风险控制模型对应的第一稳定性评估结果。

具体的，本实施例中的步骤S207-S210与上述实施例中的步骤S101-S104相同，此处不再赘述。

可选的，如图4所示，在图2所示实施例的基础上，本公开实施例的模型稳定性的评估方法还可包括以下步骤，以确定出入模金融风险行为特征：

S401，将风险控制模型对应的重要性最高的设定数量的金融风险行为特征确定为候选金融风险行为特征。

具体的，当选定一个风险控制模型时，该风险控制模型的金融风险行为特征以及特征的重要性也同时是确定可知的，可根据全部金融风险行为特征的重要性排序，将重要性最高的设定数量的金融风险行为特征确定为候选金融风险行为特征。其中，设定数量为根据需要预先设定的重要性最高的金融风险行为特征的数量，其中，设定数量可以为具体的数值例如20个，也可以为占全部金融风险行为特征总数量的比例，例如全部金融风险行为特征总数量的20％等，本公开不做限定。假设，风险控制模型对应100个金融风险行为特征，选择重要性最高的20％＝20个金融风险行为特征作为候选金融风险行为特征。

本公开实施例基于风险控制模型的全部金融风险行为特征进行模型预训练，并基于从全部金融风险行为特征中筛选出的候选金融风险行为特征进行如下离线特征PSI时序分析，筛选出入模金融风险行为特征。

S402，获取相邻两个第二时间粒度上候选金融风险行为特征对应的两个特征值。

具体的，将训练样本数据按照第二时间粒度进行数据划分，根据步骤S301确定的候选金融风险行为特征，针对每一个候选金融风险行为特征，获取相邻两个第二时间粒度上候选金融风险行为特征对应的两个特征值。

S403，根据特征数据计算候选金融风险行为特征的稳定度指标。

具体的，根据步骤S402获得的相邻两个第二时间粒度上候选金融风险行为特征对应的两个特征值计算候选金融风险行为特征的稳定度指标PSI，PSI具体计算过程此处不再赘述。

S404，根据候选金融风险行为特征的稳定度指标确定候选金融风险行为特征是否为入模金融风险行为特征。

具体的，根据步骤S403获得的候选金融风险行为特征的稳定度指标PSI，判断PSI<0.1是否成立，若成立则确定上述候选金融风险行为特征为入模金融风险行为特征，若不成立则上述候选金融风险行为特征不作为入模金融风险行为特征。

可选的，如图5所示，在图2所示实施例的基础上，步骤S206“将更新结束时或重新训练结束时得到的入模金融风险行为特征确定为目标金融风险行为特征，并将更新结束时或重新训练结束时得到的候选风险控制模型确定为风险控制模型”之前，本公开实施例的模型稳定性的评估方法还可包括以下步骤，以实现离线模型指标分析：

S501，根据两个第二风险指数计算得到候选风险控制模型的两个模型评估指标。

具体的，根据图2所示实施例中步骤S203得到的两个第二时间粒度上候选风险控制模型的第二风险指数计算得到候选风险控制模型的两个模型评估指标，其中模型评估指标包括但不限于受试者工作特征(Receiver Operating Characteristic，简称ROC)曲线下的面积(Area Under the Curve，简称AUC)评估指标和洛伦兹(Kolmogorov-Smirnov，简称KS)曲线评估指标等。

S502，计算两个模型评估指标的差值的绝对值。

具体的，计算步骤S501获得的模型评估指标中两个第二时间粒度上两个模型评估指标的差值的绝对值，例如|AUC1-ACU2|。

S503，根据差值的绝对值重新训练候选风险控制模型。

具体的，判断步骤S502计算得到的差值的绝对值是否低于0.1，若不低于则重新训练候选风险控制模型。

可选的，如图6所示，在图2所示实施例的基础上，本公开实施例的模型稳定性的评估方法还可包括以下步骤，以实现在线风险指数PSI时序分析：

S601，获取相邻两个第一时间粒度上风险控制模型输出的两个第一风险指数。

具体的，可从风险控制平台数据库即线上样本数据中获取相邻两个第一时间粒度上风险控制模型输出的第一风险指数。其中，第一风险指数即风险控制模型输出的模型分。

S602，根据两个第一风险指数计算风险控制模型的稳定度指标。

具体的，根据步骤S501获得的第一风险指数计算风险控制模型的稳定度指标PSI。

S603，根据风险控制模型的稳定度指标生成风险控制模型对应的第二稳定性评估结果。

具体的，根据步骤S602计算得到的风险控制模型的稳定度指标PSI，判断PSI<0.1是否成立，根据判断结果生成第二稳定性评估结果，可表示为评估通过或评估未通过。本公开实施例中，若PSI<0.1，表示风险控制模型稳定性较高，则第二稳定性评估结果表示为风险控制模型的稳定度指标PSI评估通过；否则表示风险控制模型稳定性不高，甚至存在风险，则第二稳定性评估结果表示为风险控制模型的稳定度指标PSI评估未通过。具体实施中，为方便对风险控制模型的及时维护，在评估出风险控制模型的稳定性异常时，可通过发送报警信号做出警示。其中，报警信号可以通过邮件、短信、蜂鸣器报警等形式发送。例如，可在第二稳定性评估结果显示风险控制模型的稳定度指标满足第二条件的情况下，输出第二报警信号，其中，第二条件可设置为PSI≥0.1。

此处需要说明的是，具体实施中，可以只基于图6所示的模型稳定性的评估方法进行在线风险指数PSI时序分析，实现对模型稳定性的评估。

可选的，如图7所示，在图2所示实施例的基础上，本公开实施例的模型稳定性的评估方法还可包括以下步骤，以实现在线模型指标分析：

S701，获取相邻两个第一时间粒度上风险控制模型输出的两个第一风险指数。

具体的，本步骤与步骤S601相同，此处不再赘述。

S702，根据两个第一风险指数计算得到风险控制模型的模型评估指标。

具体的，根据步骤S701获得的第一风险指数计算风险控制模型的模型评估指标。

S703，计算两个模型评估指标的差值的绝对值。

具体的，根据步骤S702计算得到的模型评估指标，计算相邻两个模型评估指标的差值的绝对值。

S704，根据差值的绝对值生成风险控制模型对应的第三稳定性评估结果。

具体的，判断步骤S703计算得到的差值的绝对值大于0.1是否成立，根据判断结果生成风险控制模型对应的第三稳定性评估结果。例如，差值的绝对值大于0.1成立，表示风险控制模型稳定性不高，则第三稳定性评估结果可表示为风险控制模型的模型评估指标评估未通过；若不成立，表示风险控制模型稳定度较高，则第三稳定性评估结果为风险控制模型的模型评估指标评估通过。具体实施中，为方便对风险控制模型的及时维护，在评估出风险控制模型的稳定性异常时，可通过发送报警信号做出警示。其中，报警信号可以通过邮件、短信、蜂鸣器报警等形式发送。例如，可在第三稳定性评估结果显示风险控制模型的模型评估指标满足第三条件的情况下，输出第三报警信号，其中，第三条件可以设置为差值的绝对值大于0.1。

此处需要说明的是，具体实施中，可以只基于图7所示的模型稳定性的评估方法进行在线模型指标分析，实现对模型稳定性的评估。

综上，本公开实施例的模型稳定性的评估方法，获取风险控制模型对应的目标金融风险行为特征，获取相邻两个第一时间粒度上目标金融风险行为特征对应的两个特征值，根据两个特征值计算目标金融风险行为特征的稳定度指标，根据目标金融风险行为特征的稳定度指标生成风险控制模型对应的第一稳定性评估结果。本公开实施例基于离线评估得到的目标金融风险行为特征和评估通过的风险控制模型，通过在线特征PSI时序分析、在线风险指数PSI时序分析和在线模型指标分析，实现风险控制模型稳定性的在线评估，建立了一套统一的模型稳定性评估体系，使得评估效果可控，且由于评估体系统一，因此可以适用于多个风控场景下多个风险控制模型的稳定性评估，实现了模型稳定性评估的自动化、批量化、节省了人力。根据评估结果输出报警信号，便于及时对模型的算法或参数进行检验，最大程度规避金融风险，降低金融损失。

本公开实施例还提供了一种模型稳定性的评估方法，包括以下步骤：获取相邻两个第一时间粒度上风险控制模型输出的两个第一风险指数；根据两个第一风险指数计算风险控制模型的稳定度指标；根据风险控制模型的稳定度指标生成风险控制模型对应的第二稳定性评估结果。基于线上样本和离线评估通过的风险控制模型可根据本公开实施例进行在线风险指数PSI时序分析，实现模型稳定性的评估。本公开实施例的模型稳定性的评估方法提供了一套统一的模型稳定性评估体系实现模型稳定性的评估。可以适用于多个风控场景下多个风险控制模型的稳定性评估，实现了模型稳定性评估的自动化、批量化、节省了人力。

本公开实施例还提供了一种模型稳定性的评估方法，包括以下步骤：获取相邻两个第一时间粒度上风险控制模型输出的两个第一风险指数；根据两个第一风险指数计算得到风险控制模型的模型评估指标；计算两个模型评估指标的差值的绝对值；根据差值的绝对值生成风险控制模型对应的第三稳定性评估结果。基于线上样本和离线评估通过的风险控制模型可根据本公开实施例进行在线模型指标分析，实现模型稳定性的评估。本公开实施例的模型稳定性的评估方法提供了一套统一的模型稳定性评估体系实现模型稳定性的评估。可以适用于多个风控场景下多个风险控制模型的稳定性评估，实现了模型稳定性评估的自动化、批量化、节省了人力。

为清楚地说明本公开实施例的模型稳定性的评估方法，下面结合图8-图10进行详细描述。

图8为本公开实施例的模型稳定性的评估方法的逻辑示意图。如图8所示，本公开实施例的模型稳定性的评估方法包括离线稳定性评估和在线稳定性评估两部分。其中，离线稳定性评估具体过程如下：基于风险控制模型的全部金融风险行为特征进行模型预训练，并基于从全部金融风险行为特征中筛选出的候选金融风险行为特征进行如下离线特征PSI时序分析，筛选出入模金融风险行为特征。基于入模金融风险行为特征进行模型再训练，并基于模型输出的风险指数进行离线风险指数PSI时序分析和离线模型指标分析，得到目标金融风险行为特征和离线评估通过的风险控制模型。在线稳定性评估具体过程如下：基于线上样本和离线评估通过的风险控制模型，对目标金融风险行为特征进行在线特征PSI时序分析，以实现目标金融风险行为特征的稳定度评估。基于线上样本和离线评估通过的风险控制模型进行模型预测，根据风险控制模型输出的风险指数进行在线风险指数PSI时序分析，以实现风险控制模型的稳定度指标PSI的稳定度评估，根据风险控制模型输出的风险指数进行在线模型指标分析，以实现风险控制模型的模型评估指标的稳定度评估。

如图9所示，本公开实施例的模型稳定性的评估方法包括离线稳定性评估，具体包括以下步骤：

S901，将风险控制模型对应的重要性最高的设定数量的金融风险行为特征确定为候选金融风险行为特征。

S902，获取相邻两个第二时间粒度上候选金融风险行为特征对应的两个特征值。

S903，根据两个特征值计算候选金融风险行为特征的稳定度指标。

S904，根据候选金融风险行为特征的稳定度指标确定候选金融风险行为特征是否为入模金融风险行为特征。

S905，获取入模金融风险行为特征。

S906，基于多个第二时间粒度上入模金融风险行为特征对应的多个特征值进行模型训练，得到候选风险控制模型，其中，第二时间粒度大于第一时间粒度。

S907，获取相邻两个第二时间粒度上候选风险控制模型输出的第二风险指数。执行步骤S908-S910。

S908，根据两个第二风险指数计算候选风险控制模型的稳定度指标。

S909，根据候选风险控制模型的稳定度指标更新入模金融风险行为特征或重新训练候选风险控制模型。执行步骤S913。

S910，根据两个第二风险指数计算得到候选风险控制模型的两个模型评估指标。

S911，计算两个模型评估指标的差值的绝对值。

S912，根据差值的绝对值重新训练候选风险控制模型。

S913，将更新结束时或重新训练结束时得到的入模金融风险行为特征确定为目标金融风险行为特征，并将更新结束时或重新训练结束时得到的候选风险控制模型确定为风险控制模型。

如图10所示，本公开实施例的模型稳定性的评估方法包括在线稳定性评估，具体包括以下步骤：

基于线上样本和离线评估通过的风险控制模型，对目标金融风险行为特征进行在线特征PSI时序分析的步骤：

S1001，获取风险控制模型对应的目标金融风险行为特征。

S1002，获取相邻两个第一时间粒度上目标金融风险行为特征对应的两个特征值。

S1003，根据两个特征值计算目标金融风险行为特征的稳定度指标。

S1004，根据目标金融风险行为特征的稳定度指标生成风险控制模型对应的第一稳定性评估结果。

S1005，在第一稳定性评估结果显示目标金融风险行为特征的稳定度指标满足第一条件的情况下，输出第一报警信号。

基于线上样本和离线评估通过的风险控制模型进行模型预测，根据风险控制模型输出的风险指数进行在线风险指数PSI时序分析的步骤：

S1006，获取相邻两个第一时间粒度上风险控制模型输出的两个第一风险指数。

S1007，根据两个第一风险指数计算风险控制模型的稳定度指标。

S1008，根据风险控制模型的稳定度指标生成风险控制模型对应的第二稳定性评估结果。

S1009，在第二稳定性评估结果显示风险控制模型的稳定度指标满足第二条件的情况下，输出第二报警信号。

基于线上样本和离线评估通过的风险控制模型进行模型预测，根据风险控制模型输出的风险指数进行在线模型指标分析的步骤：

S1010，根据两个第一风险指数计算得到风险控制模型的两个模型评估指标。

S1011，计算两个模型评估指标的差值的绝对值。

S1012，根据差值的绝对值生成风险控制模型对应的第三稳定性评估结果。

S1013，在第三稳定性评估结果显示风险控制模型的模型评估指标满足第三条件的情况下，输出第三报警信号。

综上，本公开实施例的模型稳定性的评估方法，获取风险控制模型对应的目标金融风险行为特征，获取相邻两个第一时间粒度上目标金融风险行为特征对应的两个特征值，根据两个特征值计算目标金融风险行为特征的稳定度指标，根据目标金融风险行为特征的稳定度指标生成风险控制模型对应的第一稳定性评估结果。基于线上样本和离线评估通过的风险控制模型可根据本公开实施例进行在线特征PSI时序分析、在线风险指数PSI时序分析以及在线模型指标分析，从而实现对模型稳定性的评估。具体实施中，可以任意选择在线特征PSI时序分析、在线风险指数PSI时序分析以及在线模型指标分析方法中的一种或几种进行模型稳定性的评估，建立了一套统一的模型稳定性评估体系。

本公开实施例还提供了模型稳定性的评估装置，用于实现上述的模型稳定性的评估方法。

图11是根据本公开第一实施例的模型稳定性的评估装置的框图。

如图11所示，本公开实施例的模型稳定性的评估装置1100，包括：第一获取模块1101、第二获取模块1102、第一计算模块1103和第一生成模块1104。

第一获取模块1101，用于获取风险控制模型对应的目标金融风险行为特征。

第二获取模块1102，用于获取相邻两个第一时间粒度上目标金融风险行为特征对应的两个特征值。

第一计算模块1103，用于根据两个特征值计算目标金融风险行为特征的稳定度指标。

第一生成模块1104，用于根据目标金融风险行为特征的稳定度指标生成风险控制模型对应的第一稳定性评估结果。

需要说明的是，上述对模型稳定性的评估方法实施例的解释说明，也适用于本公开实施例的模型稳定性的评估装置，具体过程此处不再赘述。

综上，本公开实施例的模型稳定性的评估装置，获取风险控制模型对应的目标金融风险行为特征，获取相邻两个第一时间粒度上目标金融风险行为特征对应的两个特征值，根据两个特征值计算目标金融风险行为特征的稳定度指标，根据目标金融风险行为特征的稳定度指标生成风险控制模型对应的第一稳定性评估结果。本公开实施例建立了一套统一的模型稳定性评估体系，使得评估效果可控，且由于评估体系统一，因此可以适用于多个风控场景下多个风险控制模型的稳定性评估，实现了模型稳定性评估的自动化、批量化，节省了人力。

图12是根据本公开第二实施例的模型稳定性的评估装置的框图。

如图12所示，本公开实施例的模型稳定性的评估装置1200，包括：第一获取模块1201、第二获取模块1202、第一计算模块1203和第一生成模块1204。

其中，第一获取模块1201与上述实施例中的第一获取模块1101具有相同功能和结构，第二获取模块1202与上述实施例中的第二获取模块1102具有相同功能和结构，第一计算模块1203与上述实施例中的第一计算模块1103具有相同功能和结构，第一生成模块1204与上述实施例中的第一生成模块1104具有相同功能和结构。

可选的，本公开实施例的模型稳定性的评估装置1200，还包括：第一报警模块1205，用于在第一稳定性评估结果显示目标金融风险行为特征的稳定度指标满足第一条件的情况下，输出第一报警信号。

可选的，本公开实施例的模型稳定性的评估装置1200，还包括：第三获取模块，用于获取相邻两个第一时间粒度上风险控制模型输出的两个第一风险指数；第二计算模块，用于根据两个第一风险指数计算风险控制模型的稳定度指标；以及第二生成模块，用于根据风险控制模型的稳定度指标生成风险控制模型对应的第二稳定性评估结果。

可选的，本公开实施例的模型稳定性的评估装置1200，还包括：第二报警模块，用于在第二稳定性评估结果显示风险控制模型的稳定度指标满足第二条件的情况下，输出第二报警信号。

可选的，本公开实施例的模型稳定性的评估装置1200，还包括：第四获取模块，用于获取相邻两个第一时间粒度上风险控制模型输出的两个第一风险指数；第三计算模块，用于根据两个第一风险指数计算得到风险控制模型的模型评估指标；第四计算模块，用于计算两个模型评估指标的差值的绝对值；以及第三生成模块，用于根据差值的绝对值生成风险控制模型对应的第三稳定性评估结果。

可选的，本公开实施例的模型稳定性的评估装置1200，还包括：第三报警模块，用于在第三稳定性评估结果显示风险控制模型的模型评估指标满足第三条件的情况下，输出第三报警信号。

可选的，本公开实施例的模型稳定性的评估装置1200，还包括：第五获取模块，用于获取入模金融风险行为特征；第一训练模块，用于基于多个第二时间粒度上入模金融风险行为特征对应的多个特征值进行模型训练，得到候选风险控制模型，其中，第二时间粒度大于第一时间粒度；第六获取模块，用于获取相邻两个第二时间粒度上候选风险控制模型输出的两个第二风险指数；第五计算模块，用于根据两个第二风险指数计算候选风险控制模型的稳定度指标；第二训练模块，用于根据候选风险控制模型的稳定度指标更新入模金融风险行为特征或重新训练候选风险控制模型；以及第一确定模块，用于将更新结束时或重新训练结束时得到的入模金融风险行为特征确定为目标金融风险行为特征，并将更新结束时或重新训练结束时得到的候选风险控制模型确定为风险控制模型。

可选的，本公开实施例的模型稳定性的评估装置1200，还包括：第六计算模块，用于根据两个第二风险指数计算得到候选风险控制模型的两个模型评估指标；第七计算模块，用于计算两个模型评估指标的差值的绝对值；以及第三训练模块，用于根据差值的绝对值重新训练候选风险控制模型。

可选的，本公开实施例的模型稳定性的评估装置1200，还包括：第二确定模块，用于将风险控制模型对应的重要性最高的设定数量的金融风险行为特征确定为候选金融风险行为特征；第七获取模块，用于获取相邻两个第二时间粒度上候选金融风险行为特征对应的两个特征值；第八计算模块，用于根据两个特征值计算候选金融风险行为特征的稳定度指标；以及第三确定模块，用于根据候选金融风险行为特征的稳定度指标确定候选金融风险行为特征是否为入模金融风险行为特征。

需要说明的是，上述对模型稳定性的评估方法实施例的解释说明，也适用于本公开实施例的模型稳定性的评估装置，具体过程此处不再赘述。

综上，本公开实施例的模型稳定性的评估装置，获取风险控制模型对应的目标金融风险行为特征，获取相邻两个第一时间粒度上目标金融风险行为特征对应的两个特征值，根据两个特征值计算目标金融风险行为特征的稳定度指标，根据目标金融风险行为特征的稳定度指标生成风险控制模型对应的第一稳定性评估结果。本公开实施例基于离线评估得到的目标金融风险行为特征和评估通过的风险控制模型，通过在线特征PSI时序分析、在线风险指数PSI时序分析和在线模型指标分析，实现风险控制模型稳定性的在线评估，建立了一套统一的模型稳定性评估体系，使得评估效果可控，且由于评估体系统一，因此可以适用于多个风控场景下多个风险控制模型的稳定性评估，根据评估结果输出报警信号，便于及时对模型的算法或参数进行检验，最大程度规避金融风险，降低金融损失，实现了模型稳定性评估的自动化、批量化、节省了人力。根据评估结果输出报警信号，便于及时对模型的算法或参数进行检验，最大程度规避金融风险，降低金融损失。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种模型稳定性的评估装置，包括：第八获取模块，用于获取相邻两个第一时间粒度上风险控制模型输出的两个第一风险指数；第九计算模块，用于根据两个第一风险指数计算风险控制模型的稳定度指标；以及第四生成模块，用于根据风险控制模型的稳定度指标生成风险控制模型对应的第二稳定性评估结果。基于线上样本和离线评估通过的风险控制模型可根据本公开实施例进行在线风险指数PSI时序分析，实现模型稳定性的评估。本公开实施例的模型稳定性的评估装置提供了一套统一的模型稳定性评估体系实现模型稳定性的评估。可以适用于多个风控场景下多个风险控制模型的稳定性评估，实现了模型稳定性评估的自动化、批量化、节省了人力。

根据本公开的实施例，本公开还提供了一种模型稳定性的评估装置，包括：第九获取模块，用于获取相邻两个第一时间粒度上风险控制模型输出的两个第一风险指数；第十计算模块，用于根据两个第一风险指数计算得到风险控制模型的模型评估指标；第十一计算模块，用于计算两个模型评估指标的差值的绝对值；以及第五生成模块，用于根据差值的绝对值生成风险控制模型对应的第三稳定性评估结果。基于线上样本和离线评估通过的风险控制模型可根据本公开实施例进行在线模型指标分析，实现模型稳定性的评估。本公开实施例的模型稳定性的评估装置提供了一套统一的模型稳定性评估体系实现模型稳定性的评估。可以适用于多个风控场景下多个风险控制模型的稳定性评估，实现了模型稳定性评估的自动化、批量化、节省了人力。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图13示出了可以用来实施本公开的实施例的示例电子设备1300的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图13所示，电子设备1300包括计算单元1301，其可以根据存储在只读存储器(ROM)1302中的计算机程序或者从存储单元1308加载到随机访问存储器(RAM)1303中的计算机程序，来执行各种适当的动作和处理。在RAM 1303中，还可存储电子设备1300操作所需的各种程序和数据。计算单元1301、ROM 1302以及RAM1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。

电子设备900中的多个部件连接至I/O接口1305，包括：输入单元1306，例如键盘、鼠标等；输出单元1309，例如各种类型的显示器、扬声器等；存储单元1308，例如磁盘、光盘等；以及通信单元1309，例如网卡、调制解调器、无线通信收发机等。通信单元1309允许电子设备1300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元1301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1301的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1301执行上文所描述的各个方法和处理，例如图1至图11所示的模型稳定性的评估方法。例如，在一些实施例中，模型稳定性的评估方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1302和/或通信单元1309而被载入和/或安装到电子设备1300上。当计算机程序加载到RAM 1303并由计算单元1301执行时，可以执行上文描述的模型稳定性的评估方法的一个或多个步骤。备选地，在其他实施例中，计算单元1301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型稳定性的评估方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网以及区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

根据本公开的实施例，本公开还提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现根据本公开上述实施例所示的模型稳定性的评估方法的步骤。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (18)

1.一种模型稳定性的评估方法，包括：

获取风险控制模型对应的目标金融风险行为特征；

获取相邻两个第一时间粒度上所述目标金融风险行为特征对应的两个特征值；

根据所述两个特征值计算所述目标金融风险行为特征的稳定度指标；以及

根据所述目标金融风险行为特征的稳定度指标生成所述风险控制模型对应的第一稳定性评估结果；其中，

所述方法还包括：

获取入模金融风险行为特征；

基于多个第二时间粒度上所述入模金融风险行为特征对应的多个特征值进行模型训练，得到候选风险控制模型，其中，所述第二时间粒度大于所述第一时间粒度；

获取相邻两个所述第二时间粒度上所述候选风险控制模型输出的两个第二风险指数；

根据所述两个第二风险指数计算所述候选风险控制模型的稳定度指标；

根据所述候选风险控制模型的稳定度指标更新所述入模金融风险行为特征或重新训练所述候选风险控制模型；以及

将更新结束时或重新训练结束时得到的所述入模金融风险行为特征确定为所述目标金融风险行为特征，并将更新结束时或重新训练结束时得到的所述候选风险控制模型确定为所述风险控制模型。

2.根据权利要求1所述的评估方法，还包括：

在所述第一稳定性评估结果显示所述目标金融风险行为特征的稳定度指标满足第一条件的情况下，输出第一报警信号。

3.根据权利要求1所述的评估方法，还包括：

获取相邻两个所述第一时间粒度上所述风险控制模型输出的两个第一风险指数；

根据所述两个第一风险指数计算所述风险控制模型的稳定度指标；以及

根据所述风险控制模型的稳定度指标生成所述风险控制模型对应的第二稳定性评估结果。

4.根据权利要求3所述的评估方法，还包括：

在所述第二稳定性评估结果显示所述风险控制模型的稳定度指标满足第二条件的情况下，输出第二报警信号。

5.根据权利要求1或3所述的评估方法，还包括：

获取相邻两个所述第一时间粒度上所述风险控制模型输出的两个第一风险指数；

根据两个所述第一风险指数计算得到所述风险控制模型的两个模型评估指标；

计算两个所述模型评估指标的差值的绝对值；以及

根据所述差值的绝对值生成所述风险控制模型对应的第三稳定性评估结果。

6.根据权利要求5所述的评估方法，还包括：

在所述第三稳定性评估结果显示所述风险控制模型的模型评估指标满足第三条件的情况下，输出第三报警信号。

7.根据权利要求1所述的评估方法，其中，所述将更新结束时或重新训练结束时得到的所述入模金融风险行为特征确定为所述目标金融风险行为特征，并将更新结束时或重新训练结束时得到的所述候选风险控制模型确定为所述风险控制模型之前，还包括：

根据两个所述第二风险指数计算得到所述候选风险控制模型的两个模型评估指标；

计算两个所述模型评估指标的差值的绝对值；以及

根据所述差值的绝对值重新训练所述候选风险控制模型。

8.根据权利要求1所述的评估方法，还包括：

将所述风险控制模型对应的重要性最高的设定数量的金融风险行为特征确定为候选金融风险行为特征；

获取相邻两个所述第二时间粒度上所述候选金融风险行为特征对应的两个特征值；

根据所述两个特征值计算所述候选金融风险行为特征的稳定度指标；以及

根据所述候选金融风险行为特征的稳定度指标确定所述候选金融风险行为特征是否为所述入模金融风险行为特征。

9.一种模型稳定性的评估装置，包括：

第一获取模块，用于获取风险控制模型对应的目标金融风险行为特征；

第二获取模块，用于获取相邻两个第一时间粒度上所述目标金融风险行为特征对应的两个特征值；

第一计算模块，用于根据所述两个特征值计算所述目标金融风险行为特征的稳定度指标；以及

第一生成模块，用于根据所述目标金融风险行为特征的稳定度指标生成所述风险控制模型对应的第一稳定性评估结果；其中，

所述装置还包括：

第五获取模块，用于获取入模金融风险行为特征；

第一训练模块，用于基于多个第二时间粒度上所述入模金融风险行为特征对应的多个特征值进行模型训练，得到候选风险控制模型，其中，所述第二时间粒度大于所述第一时间粒度；

第六获取模块，用于获取相邻两个所述第二时间粒度上所述候选风险控制模型输出的两个第二风险指数；

第五计算模块，用于根据所述两个第二风险指数计算所述候选风险控制模型的稳定度指标；

第二训练模块，用于根据所述候选风险控制模型的稳定度指标更新所述入模金融风险行为特征或重新训练所述候选风险控制模型；以及

第一确定模块，用于将更新结束时或重新训练结束时得到的所述入模金融风险行为特征确定为所述目标金融风险行为特征，并将更新结束时或重新训练结束时得到的所述候选风险控制模型确定为所述风险控制模型。

10.根据权利要求9所述的评估装置，还包括：

第一报警模块，用于在所述第一稳定性评估结果显示所述目标金融风险行为特征的稳定度指标满足第一条件的情况下，输出第一报警信号。

11.根据权利要求9所述的评估装置，还包括：

第三获取模块，用于获取相邻两个所述第一时间粒度上所述风险控制模型输出的两个第一风险指数；

第二计算模块，用于根据所述两个第一风险指数计算所述风险控制模型的稳定度指标；以及

第二生成模块，用于根据所述风险控制模型的稳定度指标生成所述风险控制模型对应的第二稳定性评估结果。

12.根据权利要求11所述的评估装置，还包括：

第二报警模块，用于在所述第二稳定性评估结果显示所述风险控制模型的稳定度指标满足第二条件的情况下，输出第二报警信号。

13.根据权利要求9或11所述的评估装置，还包括：

第四获取模块，用于获取相邻两个所述第一时间粒度上所述风险控制模型输出的两个第一风险指数；

第三计算模块，用于根据两个所述第一风险指数计算得到所述风险控制模型的两个模型评估指标；

第四计算模块，用于计算两个所述模型评估指标的差值的绝对值；以及

第三生成模块，用于根据所述差值的绝对值生成所述风险控制模型对应的第三稳定性评估结果。

14.根据权利要求13所述的评估装置，还包括：

第三报警模块，用于在所述第三稳定性评估结果显示所述风险控制模型的模型评估指标满足第三条件的情况下，输出第三报警信号。

15.根据权利要求9所述的评估装置，还包括：

第六计算模块，用于根据两个所述第二风险指数计算得到所述候选风险控制模型的两个模型评估指标；

第七计算模块，用于计算两个所述模型评估指标的差值的绝对值；以及

第三训练模块，用于根据所述差值的绝对值重新训练所述候选风险控制模型。

16.根据权利要求9所述的评估装置，还包括：

第二确定模块，用于将所述风险控制模型对应的重要性最高的设定数量的金融风险行为特征确定为候选金融风险行为特征；

第七获取模块，用于获取相邻两个所述第二时间粒度上所述候选金融风险行为特征对应的两个特征值；

第八计算模块，用于根据所述两个特征值计算所述候选金融风险行为特征的稳定度指标；以及

第三确定模块，用于根据所述候选金融风险行为特征的稳定度指标确定所述候选金融风险行为特征是否为所述入模金融风险行为特征。

17.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的模型稳定性的评估方法。

18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的模型稳定性的评估方法。